刘明璐， 沈浮， 陆建平

直肠癌(rectal cancer，RC)是世界范围内最常见的消化道恶性肿瘤之一，得益于早期筛查和对确诊患者的规范性治疗，全球范围内直肠癌的发病率、死亡率近20年来有不断下降的趋势，但在我国却呈升高趋势，多数患者发现时已经为局部进展期直肠癌(locally advanced rectal cancer，LARC)[1-2]。新辅助放化疗(neoadjuvant chemoradiotherapy，nCRT)后手术治疗可以降低LARC术后局部复发率，并提高长期生存率及保肛率，是目前的主流治疗方式。病理的肿瘤退缩分级(tumor regression grade，TRG)通过对肿瘤组织中纤维化及残存肿瘤比例的评判，对新辅助治疗疗效进行术后评估。目前传统影像学主要依靠高分辨T2WI序列对新辅助治疗的疗效进行术前mrTRG分级，仅在形态学上评估疗效，与病理TRG缺乏对应，无法满足精准医学的要求[3]。影像组学(radiomics)是将影像数据定量分析并与机器学习(machine learning，ML)方法相结合，筛选出具有诊断价值的影像组学特征，建立诊断模型，为影像诊断及治疗决策提供更精准的信息。

本研究采用影像组学的方法，在磁共振高分辨T2WI图像上分别提取治疗前基线检查的组学特征及治疗前和治疗后改变的组学特征，探讨基于这两种特征提取方法的影像组学模型对LARC新辅助治疗的疗效评估价值。

材料与方法

1.患者资料

回顾性分析2018年1月-2018年12月在本院经手术病理证实，行新辅助放化疗的80例LARC患者(cT3/T4N0M0或cTxN+M0)，男60例，女20例，年龄28～74岁，平均56.2±9.9岁。纳入标准：①术后病理类型为直肠腺癌；②直肠单发病灶；③基线检查及nCRT后术前评估均行直肠高分辨T2WI序列扫描；④术前检查后行根治性手术治疗，有TRG分级的详细病理报告结果。排除标准：①图像质量欠佳，如明显伪影导致无法对图像进行分割及提取影像组学特征；②术前MRI检查距手术间隔时间超过12周[4-5]；③病程中另外接受其他局部治疗、靶向治疗或免疫治疗。

2.MR检查方法

采用Siemens 3.0T Skyra MR成像系统，腹部相控阵线圈。所有患者检查前禁食4 h。检查前使用一支开塞露(20 mL甘油)清洁患者肠道。直肠MR扫描主要序列包括：脂肪抑制T2WI(矢状面)，T1WI(横轴面)、高分辨T2WI(斜横轴面)、DWI及增强扫描。高分辨T2WI平面垂直于病灶处肠管的长轴。扫描参数：TR 4000 ms，TE 108 ms，FOV 180 mm，矩阵320×320，层厚3 mm，无层间距，层数28，翻转角150°，带宽108 Hz/像素，无脂肪抑制技术，GRAPPA并行采集模式，加速因子为3，采集时间为4 min 10 s。

3.治疗方案及病理标准

所有患者术前均行长程适形调强盆腔放疗，处方剂量为45～50 Gy，共25～28次，5周到5周半完成。化疗于第一次盆腔放疗开展时口服卡培他滨或静滴5-氟尿嘧啶(5-fluorouracil，5-FU)[4-5]。新辅助放化疗结束后间隔5～12周行直肠癌根治性切除术[6]。术后病理判断肿瘤退缩分级(tumor regression grade，TRG)，根据美国癌症联合委员会(American Joint Committee on Cancer，AJCC)第八版的分类标准[7]分为0～3级共4类。TRG 0级(完全消退)：镜下无肿瘤细胞残留；TRG 1级(中等退缩)：镜下仅见单个或小灶性肿瘤细胞残留；TRG 2级(轻微退缩)：可见肿瘤细胞残留但少于纤维化间质；TRG 3级(无退缩)：无或仅少量肿瘤细胞坏死，可见广泛的肿瘤细胞残留。据此将TRG 0和TRG 1级归类为疗效良好组，将TRG 2和TRG 3级归类为疗效不良组。

4.图像VOI选取和特征提取

分别将nCRT前、后采集到的DICOM图像导入后处理平台(大数据智能分析云平台，慧影医疗科技有限公司，北京)，由两名具有5年以上经验的放射科医师采用手动方式在T2WI图像上分别沿病变边缘逐层勾画兴趣区(region of interest，ROI)，自动生成病灶的三维容积兴趣区(volume of interest，VOI)，见图1。分为两种模型提取特征，Model 1：仅提取基线影像组学特征；Model 2：提取治疗前基线和治疗后改变的影像组学特征，代表nCRT后的组学变化。分为以下两类特征：①基于特征类：一阶统计量特征(first order statistic)，形状特征(shape-based)，纹理特征(texture)，包括：灰度级共生矩阵(gray level co-occurrence matrix，GLCM)、灰度级长度矩阵(gray level run length matrix，GLRLM)、灰度级形状矩阵(gray level size zone matrix，GLSZM)和领域灰度差分矩阵(neighborhood gray-tone difference matrix，NGTDM)；②基于过滤器类：小波分析(wavelets)、拉普拉斯转换(laplacian transforms)、对数特征(logarithm)、指数特征(exponential)、明可夫斯基函数(minkowski functionals)、分形维数(fractal dimensions)等方式处理后再提取的高阶特征，共1409组，Model 1：1409个特征，Model 2：2818个特征。

图1 直肠癌病灶分割示意图。a)基线高分辨T2WI，逐层勾画ROI；b)治疗前病灶重建VOI；c)治疗后复查高分辨T2WI，逐层勾画ROI；d)治疗后病灶重建VOI。

5.模型构建及统计学分析

首先将上述获取到的两种方法的所有特征分别进行组内相关系数(intraclass correlation coefficient，ICC)分析，选择ICC>0.8的特征，最后采用最小绝对收缩算子算法(least absolute shrinkage and selection operator，LASSO)进行降维，分别选择对TRG分级最有价值的特征。随机选取70%的病例作为训练集构建随机森林(random forests，RF)模型，剩余30%的病例作为测试集，两种方法分别进行验证。两种模型分别绘制受试者操作特征(receiver operating characteristic，ROC)曲线，计算曲线下面积(area under curve，AUC)、敏感度、特异度、95%置信区间(95% CI)、符合率、阳性似然比、阴性似然比、阳性预测值、阴性预测值。采用Delong检验比较组间差异。采用决策曲线分析(decision curve analysis，DCA)评估不同风险阈值下的临床获益。

结 果

1.病理结果

最终共纳入80例LARC直肠癌患者(临床分期T3-4，N0，M0或任何T，N1-2，M0)，nCRT后临床评估49例患者降期(61.25%)。根据术后病理报告：TRG 0级15例(图2)，TRG 1级14例，TRG 2级32例(图3)，TRG 3级19例。疗效良好组29例(36.25%)，疗效不良组51例(63.75%)。疗效良好组男、女性别比为21：8，平均年龄55.6±9.3岁；疗效不良组男、女性别比为39：12，平均年龄56.8±10.1岁，两组间性别及年龄差异无统计学意义(χ2=0.162，P=0.790；t=0.525，P=0.601)。

2.影像组学特征

Model 1初始1409个组学特征，其中121个特征ICC<0.8；Model 2初始2818个特征，272个特征ICC<0.8，两种方法差异无统计学意义(χ2=1.262，P=0.286)。去除ICC<0.8的特征后Model 1降维得到28个相关特征；Model 2降维得到3个相关特征(图4)。

3.随机森林分类器模型的建立及诊断效能评价

降维后的两组影像组学特征与TRG分级建立随机森林(RF)分类器模型。Model 1和Model 2的训练集AUC分别为0.698、0.708，Model 1和Model 2的测试集AUC分别为0.943、0.950，组间比较Delong检验P值为0.848(表1，图5)。决策曲线显示总体上两种预测模型均有临床获益(图6)。

讨 论

1.传统影像学对直肠癌nCRT疗效评估的局限性

TRG作为新辅助治疗后的一个预后独立因子，广泛应用于评估直肠癌新辅助治疗的疗效[6]。但是，TRG作为金标准依靠术后病理进行分级，因此如何应用影像学方法来术前准确评估直肠癌新辅助治疗的疗效便成了一个非常迫切的问题。目前利用MR肿瘤消退分级(MR imaging tumor regression grade，mrTRG)进行术前疗效评估受到广泛关注，但是mrTRG分级系统基于高分辨T2WI，对肿瘤大小及信号变化进行评价，根据主观判断分为五个等级(mrTRG1-5)，而病理TRG分为0～3共4个等级(NCCN指南推荐根据Ryan R等的分级系统)[3]，两种分级系统无法对应。因此本研究希望引入影像组学的方法来分析组学特征与病理TRG的关系。

表1 两种模型测试集ROC曲线分析

图2 男，64岁，大便带血1年余。a)基线高分辨T2WI示直肠前壁不均匀增厚占管腔3/4圈(箭)；b)nCRT后复查高分辨T2WI示直肠前壁见低信号疤痕残留，提示病灶明显退缩(箭)；c)病理示(直肠)新辅助治疗后，未见癌组织，符合直肠癌新辅助放化疗后肿瘤完全退缩，TRG 0级(HE，×1)。 图3 男，38岁，无明显原因大便次数增多6个月余。a)基线高分辨T2WI示肠壁增厚占管腔1/4圈(箭)；b)nCRT后复查高分辨T2WI示病灶体积较前缩小(箭)；c)病理示(直肠)中分化腺癌，新辅助治疗后轻微退缩，TRG 2级(HE，×20)。

影像组学是应用高通量运算提取并整合医学影像中海量的肉眼无法识别的数字化信息，规避了观察者本身对于影像特征解读的主观偏向，从而拥有了能够量化分析肿瘤异质性的能力[8]，辅助医师做出治疗决策[9-11]，有望成为精准影像医学的重要基石[12]。目前，一些国内外学者已开始进行影像组学对结直肠肿瘤nCRT后疗效评价的相关研究[13-17]。本研究采用RF分类器，属于监督式学习，是一种包含多棵决策树的集成学习方法，每棵分类树通过Boot strapping算法(自助法)训练子分类器，通过组合子分类器的投票结果获得最终分类结果[18]，能够减少问题的复杂性和节省训练时间，增强了分类模型的泛化能力，不容易过拟合，且具有较强的抗噪能力。

2.影像组学模型对直肠癌nCRT疗效评估的效能

本研究对接受新辅助治疗的LARC患者分别提取治疗前基线检查的影像组学特征以及治疗前后的组学特征，建立这两种不同维度的模型。Model 1的特征提取方法仅纳入肿瘤本身的基线组学特征，更直接反应肿瘤负荷[13]，倾向于体现模型对疗效的预测能力，而Model 2联合了治疗前后的组学特征，特征的改变更接近于术后病理特征，建立的模型侧重于治疗后的再评价能力[15-16]。

图4 TRG相关影像组学特征。a)Model 1，28个特征；b)Model 2，3个特征。

图5 两种模型测试集ROC曲线。 图6 决策曲线评估临床获益。Y轴是净收益，通过获得真阳性然后减去假阳性来计算的；X轴表示风险因素的概率阈值。当概率阈值为10%～80%时，采用影像组学方法预测TRG分级优于将所有患者都看作疗效良好，也优于将所有患者看作疗效不良。两种预测模型的曲线于约55%的风险阈值处相交，此时两种模型的临床获益相仿，在此之前Model 2的临床获益略高。

两个模型ROC曲线分析均有较好的诊断效能，且差异无统计学意义(Model 1的AUC为0.943，Model 2的AUC为0.950，P>0.05)。其中Model 1(98.0%)的特异度高于Model 2(90.2%)，且阳性似然比较高(>10)，提示该模型能够较准确地识别真正的对新辅助治疗敏感的患者(模型预测疗效好时真阳性的概率大)。而Model 2(85.7%)的敏感度高于Model1(96.4%)，阴性似然比也较低(<0.1)，表明该模型发现新辅助治疗效果不佳的患者的可能性增加(模型评估疗效不良时真阴性的可能性大)。同时两种模型的阳性预测值和阴性预测值都较高，不会导致过度治疗或治疗延误。

DCA结果显示，当概率阈值为10%～80%时，两种模型均有较大的临床获益。两曲线于约55%的风险阈值处相交，此时两种模型的净收益相仿，在此之前Model 2优于Model 1。本组研究疗效良好组占36.25%，此时Model 2的曲线位于Model 1之上，净获益更好。

3.局限性

本次研究仍存在以下局限性：第一，单中心回顾性的研究纳入的样本量相对较小，需设计前瞻性多中心研究，扩大样本量以减少数据量对模型的影响；第二，由于直肠癌病灶形态欠规则，本研究采用的传统手动勾画兴趣区的方法分割耗时久，工作量大，不适用于大规模的数据处理，且可重复性及稳定性差，这可能会影响纹理特征的准确性，基于深度学习的兴趣区半自动/自动分割方法将是未来的一个重要研究内容；第三，本研究分析影像组学特征没有结合相关临床风险因素，有待下一步验证研究。

综上所述，采用MRI基线检查的影像组学模型与治疗前后改变的影像组学模型均可以判断直肠癌新辅助治疗后的肿瘤退缩程度。因此，应用影像组学模型可以对直肠癌新辅助治疗的疗效进行有效评估，从而实现个体化精准医疗。